基于面向對象和模糊邏輯的SAR溢油檢測算法

蘇騰飛，李永香，李洪玉

?

基于面向對象和模糊邏輯的SAR溢油檢測算法

蘇騰飛1，2，李永香3*，李洪玉1

(1. 內蒙古農業大學 水利與土木建筑工程學院，內蒙古自治區 呼和浩特 010018；2. 國家海洋局第一海洋研究所，山東 青島 266061；3. 內蒙古師范大學 地理科學學院，內蒙古自治區 呼和浩特 010022)

摘要：星載合成孔徑雷達(Synthetic Aperture Radar，SAR)具有全天時、全天候的工作能力，已被眾多學者認為是非常適合探測海面溢油污染的遙感器。然而在SAR影像中經常出現“類油膜”現象，這嚴重干擾了SAR溢油檢測的精度。因此，如何有效區分SAR影像中的油膜和類油膜，對提升溢油檢測精度具有重要意義。本文利用面向對象圖像分析的方法，從20景ENVISAT ASAR影像中提取了較多的溢油和類油膜樣本，對其基于對象的形狀、物理和紋理特征進行了綜合分析，找出了適合區分溢油和類油膜的特征量。利用特征分析的結論，本文建立了一種基于模糊邏輯的溢油檢測算法。該算法可以有效區分SAR影像中的溢油和類油膜，還可以給出暗斑被判定為溢油的概率。溢油檢測實驗說明，本文方法能夠得到令人滿意的效果。

關鍵詞：合成孔徑雷達；特征分析；溢油分類；面向對象圖像分析；模糊邏輯

1引言

海洋溢油事故監測是海洋溢油污染防治中非常重要的環節。傳統監測方式，如飛機、船舶、浮標等，實施成本較高、觀測范圍有限，難以滿足海洋監測中大面積、實時監測的要求[1—2]。衛星遙感技術的興起，為這一難題提供了有效的解決方案。眾多學者的研究表明，合成孔徑雷達(Synthetic Aperture Radar，SAR)是溢油遙感監測的最為有效的遙感器之一[2—4]。星載SAR具有全天時、全天候、覆蓋范圍大、近實時獲取數據等特點，因此，SAR是及時、準確、大范圍監測海洋溢油污染的有力工具。利用SAR遙感技術，可以提取海上溢油的位置與面積等信息，從而有效指導海上溢油清理工作。

溢油的存在會抑制海面Bragg波，從而在SAR影像中以“暗區域”的形式呈現[2，5]。但在SAR影像中，存在很多“類油膜”現象，例如低風速區、鋒面、雨團等，給SAR影像溢油識別帶來困難，甚至造成誤判[2，6]。因此，發展SAR溢油檢測算法，區分類油膜現象，對客觀、準確的溢油監測具有重要意義。

近年來，經過眾多學者的不斷努力，已經形成了較為成熟的SAR溢油檢測技術流程[2]：(1)暗斑檢測，(2)特征提取，(3)溢油檢測。第一步是探測SAR影像中的暗斑現象，包括油膜和類油膜，這實際上是通過圖像分割技術來實現的[5，7—8]。但是，SAR影像中存在斑點噪聲，它會影響SAR圖像分割的效果，進而降低SAR溢油檢測精度[9]。所以，選用適用于SAR溢油檢測的圖像分割算法，可以有效提高SAR溢油檢測的精度。第二步是將暗斑的眾多特征提取出來，分析溢油和類油膜各個特征的區別，是提高溢油檢測精度的關鍵步驟。如何選用關鍵的特征量來提高溢油檢測精度，避免因輸入特征量過多而導致的“維數災難”，這是需要眾多學者們關注的問題。第三步利用模式識別的分類方法，以SAR影像中暗斑的各個特征量作為輸入，判定其是否為溢油。目前，眾多分類方法均應用到了溢油檢測中，如人工神經網絡[10—11]、最大似然[12]、馬氏距離[13]、SVM[14]等。然而，以上研究主要解決的問題是如何從SAR影像中區分溢油和海水，而對于如何有效區分溢油和類油膜的研究卻較少。

鑒于以上因素，本文利用面向對象圖像分析(Object-Based Image Analysis，OBIA)和大量溢油SAR影像數據開展了溢油斑塊特征分析，以找出區分油膜和類油膜能力較強的特征。利用特征分析的結果，發展了一種基于模糊邏輯(Fuzzy Logic，FL)的溢油檢測算法，以快速、準確探測海上溢油。

2基于OBIA的溢油特征分析

2.1OBIA與SAR影像暗斑提取

OBIA是21世紀初興起的一種圖像分析方法。不同于傳統的基于像素的圖像分析，OBIA從對象的層面對圖像目標特征進行分析，因此可以將目標的幾何形狀、空間位置等信息結合到目標識別、地物分類等圖像分析中，因此可以有效地模擬人類解譯圖像的過程。SAR影像中的溢油和類油膜等暗斑都可以被看作目標，相比于基于像素的圖像分析，利用基于目標的特征可以提高溢油和類油膜區分的效果。

OBIA中的第一個步驟是目標提取，這一步通常由圖像分割技術實現。為了提取SAR影像中的暗斑目標，本文采用了一種基于凝聚層次聚類的溢油SAR圖像分割算法[7]，該算法的參數設置可以參照文獻[7]。圖1顯示了一個SAR影像溢油暗斑樣本的分割結果，圖像尺寸為338×352(像素)，形狀、緊湊型和尺度參數分別為0.1、0.5、150?？梢?，雖然圖中溢油的形狀很不規則，但分割結果很好地提取了其形狀，可見所采用的分割算法能夠滿足面向對象圖像分析中對于暗斑目標提取的要求。

2.2暗斑特征選擇與提取

獲取暗斑對象后，需要提取其各類特征。SAR影像中油膜和類油膜的特征主要分為3類：形狀、物理以及紋理特征。本文選取了較為常用的共計20種特征量，其中形狀和物理特征分別為5、15種，其定義與計算方法見表1、2。紋理特征借鑒了Haralick于1979年提出的14種基于灰度共生矩陣的圖像紋理特征量，這些特征量在文獻[10，15]中被成功地應用到溢油SAR圖像的紋理分析中。本文從中選用了常用的5種特征，其具體定義見表3。

圖1　一個溢油樣本圖像的分割結果Fig.1　A segmentation result of an oil spill sample

特征(符號)描述面積(A)暗斑區域的面積周長(P)暗斑的邊界長度長寬比(r)暗斑長度與寬度的比值矩形度(R)反映了暗斑對其外接矩形的填充程度,其最大值為1圓形度(C)描述暗斑邊界的復雜程度,暗斑越接近圓形,其值越小

表2　物理特征

表3　紋理特征

3基于FL的SAR溢油檢測算法

FL的提出可以追溯到20世紀60年代，它是一種有效的建模工具，可模擬錯綜復雜、變量繁多的系統，幫助專家處理不確定性信息。傳統的邏輯學只是考察一個對象是否屬于“真，假”集合，而FL系統需要對對象信息進行一系列處理，來決定該對象在模糊集中的位置。FL系統的流程包括3個步驟[8]：(1)模糊化，將輸入與輸出變量分解為一個或多個模糊集合。(2)模糊推論，通過一系列“IF…THEN…”規則，處理輸入變量。每個規則包含兩部分：條件與行為。條件部分用輸入變量模糊集構成，而行為部分由輸出變量模糊集構成。(3)去模糊化，該過程的目的是將模糊輸出轉化為明確值的輸出。

3.1輸入和輸出變量

FL溢油分類器的輸入是暗斑的特征量。每一個特征量可以被定義為一個模糊集合，它由若干詞語組成，而每個詞語代表了該輸入變量的某種含義或特性。例如，溢油暗斑通常具有較低的矩形度(定義見表1)，則對于特征量R，可以定義其模糊集為“低，高”，分別表示暗斑被分為溢油的概率高和概率低。

輸入變量的選用是非常關鍵的，因為只有區分能力強的特征量被用來進行算法構建，才能得到較高的溢油檢測精度。另外，選用太多的特征量會增大系統的復雜度。一般而言，5個特征量較佳。根據4.2節的特征分析結論，本文選用了5種特征作為輸入變量。

FL溢油分類器的輸出變量為暗斑是溢油的概率。其模糊集定義為：“低、中、高”，詞語項分別表示：非油、類油膜、溢油。

3.2成員函數

為輸入、輸出變量模糊集的詞語項建立成員函數，以計算一個明確值屬于該詞語項的程度。最簡單的成員函數是標準成員函數，它由線性分段函數組成，其中最簡單的形式是三角成員函數，這類函數僅用3個點和連接它們的直線構成。標準成員函數有3個顯著的優點：(1)雖然簡單，卻足以模擬大多數復雜系統；(2)簡單易懂，容易理解；(3)易于設計和實現，計算效率高。

成員函數的類型還包括高斯類型和門形函數，它們的函數曲線光滑，可以更好地模擬模糊集，但是它們不能表示非對稱的模糊集類型。另外，多項式類型的成員函數也屬于標準成員函數，并具有光滑曲線的特點，但他們較難實現，且計算效率偏低。

標準成員函數包含4種類型：z、π、λ和s。其中，π類型可以看做λ類型的拓展，即典型值的范圍是一個區間，而非一個點。三角成員函數僅包含z、λ和s3種類型。本文采用三角成員函數，該類型雖然簡單，但是足以表示大多數復雜的模糊集。為一個輸入變量設計三角成員函數包含4個步驟：(1)對于每一個詞語項，搞清其最典型的數值范圍；最適合某詞語項的數值，其對應成員函數值為1。例如，當暗斑矩形度小于0.2時，矩形度“低”的成員函數等于1；(2)對于一個詞語項后續的詞語項，其最典型值的起始位置就是前一詞語項成員函數為0的位置。例如，對于暗斑矩形度，“低”的下一個詞語項為“高”，“高”的典型值起始位置為0.6，所以“低”成員函數為0的位置為0.6；(3)連接各成員函數值為0和值為1的點。例如，矩形度“低”的成員函數，連接(0.2，1)和(0.6，0)兩點；(4)對于各成員函數最左和最右的部分，其數值屬于最靠近詞語項的典型值。例如，暗斑矩形度[0，0.2]的區間屬于“低”，且在該區間內成員函數為1。

3.3規則建立

規則是FL溢油分類器設計的關鍵，它的設計需要大量的先驗知識和專家經驗?；谔卣鞣治龅慕Y論，經過不斷實驗，本文共定義了72條規則(具體請見附錄)。為了使系統易于理解和實現，所有規則的IF語句部分均采用了“AND”操作符。

本文對規則的處理采用Max-Min方法。該方法的Max是指，對于THEN部分相同的多個規則，選取IF部分最大的，用該規則的輸入變量計算輸出，即：對于每一種結果，選擇最可能的條件進行結果計算；Min是指在輸出變量的各個成員函數疊加時，采用“剪切”的處理方法。

輸出變量各成員函數疊加完成后，即可進行去模糊化計算，得到暗斑是溢油的概率。這可由多種方法實現，包括重心法、二等分法、中心最值法和最小值法。其中，重心法最為常用，它返回的是輸出成員函數曲線的重心，本文采用該方法進行去模糊化計算。

4特征分析與FL成員函數構建

4.1數據集

本文利用了20景2010年墨西哥灣溢油事故的ENVISAT ASAR影像數據，對油膜和類油膜進行了特征分析。所采用數據的時間范圍是2010年5月2日至7月24日，均為C波段，VV極化，WSM模式，該模式可以提供400多千米的刈幅寬度，很適合大范圍的海上溢油監測。

美國國家海洋和大氣管理局(NOAA)主要負責對墨西哥灣溢油事故進行監測與治理，其官方網站提供了溢油位置專題圖(http://www.noaa.gov/deepwater/-horizon/.)。本文對SAR影像中油膜與類油膜的鑒別，就是基于該網站所提供的溢油專題圖數據進行的。圖2為墨西哥灣溢油影響區域，即為本文的研究區域。本文選取的溢油和類油膜樣本數分別為145和134個。

圖2　墨西哥灣溢油事故影響區域Fig.2　Gulf of Mexico oil spill accident impacted area

4.2特征分析結果

表4列出了20種特征對油膜和類油膜的區分效果，該效果是通過觀察各特征量的數值分布來確定的。圖3顯示了所有特征中5個區分能力最好的特征量的數值分布概率圖，從中可見矩形度的效果最好，因為大部分溢油和類油膜樣本的數值混淆程度較低。各特征量數值分布概率圖中，溢油和類油膜在各個區間的混淆程度是衡量表4區分效果“好，一般，差”的標準。具體標準是：對于一個特征量，若溢油和類油膜樣本在各區間混淆的部分占據了總樣本量的60%以下，則認為區分效果“好”；若在60%以上，80%以下，則認為“一般”；其余為區分效果“差”。

圖3　較好特征量的數值分布(a-e分別為R，C，μO，σO，σB，CONmax的特征量分布)Fig.3　Numerical distribution of the features with good separability (a-e are feature value distributions of R，C，μO，σO，σB，CONmax，respectively)

進一步觀察表4可以發現，區分效果較好的特征量主要為形狀和物理特征，共計8個(表4中區分效果是“好”與“一般”的特征)。其中，形狀特征包含3個效果較好的特征量；物理特征中有5個特征量交過較好。紋理特征的效果都很差，這主要是因為SAR影像中溢油區域的紋理表現不明顯。本文選取了矩形度、圓形度、暗斑sigma0均值、暗斑背景標準差和暗斑最大對比度作為FL分類器的輸入變量。

表4　各個特征區分油膜和類油膜的效果

4.3成員函數構建

在確定了輸入變量之后，就可以按照3.2節的步驟，為各輸入變量模糊集設定成員函數。構建的各個成員函數曲線如圖4所示。各個成員函數的定義域為對應特征量的數值，而值域范圍均是0～1，表示該詞語項在模糊集中的位置。圖4f顯示了輸出變量成員函數。與輸入不同的是，輸出變量各詞語項的成員函數均為λ類型。與其他類型相比，λ類型函數最適合模擬暗斑是溢油的概率。

關于輸出變量的成員函數，需要說明的是：根據輸出成員函數的定義(圖4f，可以給出溢油、類油膜和非油的確定閾值。由圖4f可知，在[0%，37.5%)、[37.5%，62.5%)、[62.5%，100%]這3個區間，非油、類油膜和溢油的概率分別是最高的，因此我們規定：當本文方法輸出的溢油概率Poil<37.5%時，為非油；當37.5≤Poil<62.5%時，為類油膜；當Poil≥62.5%時，為溢油。

5實驗驗證

利用2010年5月28日的ASAR影像開展了溢油檢測案例分析實驗。從整景數據中選取了5個暗斑樣本，它們在ASAR影像中的位置如圖5所示。其中，暗斑1、2、3為確定的溢油，4、5為類油膜。根據專家經驗的解譯結果可以判定：4為雨團；5為大氣環流，它是海氣邊界層相互作用產生的現象，它可在低風速的情況出現，當海表溫度高于大氣溫度時，海面氣流會發生垂直方向的運動，使得海面粗糙度發生變化，在SAR影像中產生暗斑。

圖5顯示了5個暗斑的分割情況，依據暗斑的形狀特征，對分割參數進行了調整，其具體分割參數見表5。表6列舉了各個暗斑的特征量和被分為溢油的概率。圖6、7分別為NOAA提供的近岸和離岸溢油軌跡預測圖，對比溢油軌跡的預測范圍和5個暗斑的位置，可以直觀的看出本文算法的溢油檢測精度。

暗斑1、2的溢油概率分別為100.0%和97.3%；1和2在NOAA的溢油軌跡預測圖中處在輕油的位置上；暗斑3僅為67.2%，結果偏低，這是因為其圓形度和背景標準差較低，與類油膜相似；3在NOAA的溢油軌跡范圍中，也處在輕油的位置。暗斑4、5是類油膜，其溢油概率分別為40.8%和50.0%；其中4的處在溢油軌跡預測圖中的不確定區的邊緣，5完全在溢油軌跡范圍之外。通過以上分析，可見本文算法的溢油檢測結果與NOAA溢油軌跡的實測數據是吻合的。

為了進一步驗證本文算法的精度，在本文數據集又選取了50個暗斑樣本(不同于特征分析的樣本)來開展溢油檢測，其中包含23個溢油、27個類油膜。本文算法的結果是：共有38個樣本分類正確，總精度為76.0%，其中溢油、類油膜分類正確的數分別為18、20?？梢?，本文方法可以有效區分溢油和類油膜。

圖4　成員函數(a-f分別為μO，R，C，σB，CONmax和溢油概率的成員函數)Fig.4　Membership functions (a-f are membership functions for μO，R，C，σB，CONmax，and oil spill probability，respectively)

圖5　用于實驗的SAR影像中的子影像及其分割結果Fig.5　Subsets of SAR image used in the experiment and their dark spot segmentation

暗斑編號形狀參數緊湊性參數尺度參數10.10.530020.10.527030.10.515040.10.530050.50.5500

表6　2010年5月28日ASAR數據暗斑樣本分類結果

圖6　2010年5月28日NOAA近岸溢油軌跡數據Fig.6　Near-shore oil spill trajectory map of 28th May 2010 provided by NOAA

圖7　2010年5月28日NOAA離岸溢油軌跡數據Fig.7　Off-shore oil spill trajectory map of 28th May 2010 provided by NOAA

6結論

本文進行了SAR溢油檢測算法構建。首先統計和分析了大量油膜和類油膜特征，找出適合溢油檢測的特征量；然后利用面向對象圖像分析的方法，提出并實現了一種基于FL的溢油檢測算法；經大量實驗驗證，本文算法可以有效區分油膜和類油膜。本文主要結論如下：

(1)適用于溢油檢測的特征量為矩形度、圓形度、背景標準差、后向散射均值以及暗斑與背景的最大對比度；

(2)基于FL的溢油檢測算法運行速度快，檢測精度高，能夠給出暗斑是溢油的概率，能有效區分油膜和類油膜；

(3)低后向散射均值和低矩形度的暗斑，其溢油概率較大。

本文在進行特征分析時，僅利用了C波段VV極化的SAR數據。然而SAR還包括其他工作波段和極化狀態，且油膜在不同波段和極化的SAR影像中存在特征差異。要提高本文算法的普適性，需要采用更多波段的SAR影像數據，開展油膜和類油膜特征分析。

參考文獻：

[1]石立堅. SAR及MODIS數據海面溢油監測方法研究[D]. 青島: 中國海洋大學，2008．

Shi Lijian. Sea surface oil spill detection method by SAR and MODIS[D]. Qingdao: Ocean University of China，2008．

[2]Brekke C，Solberg A. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment，2005，95(1): 1-13．

[3]鄒亞榮，梁超，陳江麟，等. 基于SAR的海上溢油監測最佳探測參數分析[J]. 海洋學報，2011，33(1): 36-44．

Zou Yarong，Liang Chao，Chen Jianglin，et al. An optimal parametric analysis of monitormg oil spill based on SAR[J]. Haiyang Xuebao，2011，33(1): 36-44．

[4]鄒亞榮，鄒斌，梁超. 應用極化合成孔徑雷達檢測海上溢油研究進展[J]. 海洋學報，2014，36(9): 1-6．

Zou Yarong，Zou Bin，Liang Chao. Research on progress of oil spill detection using polarization SAR data[J]. Haiyang Xuebao，2014，36(9): 1-6．

[5]Alpers W，Huhnerfuss H. Radar signatures of oil films floating on the sea surface and the marangoni effect[J]. Journal of Geophysical Research，1988，93(C4): 3642-3648．

[6]Fanny G，Mercier G，Collard F，et al: Operational oil-slick characterization by SAR imagery and synergistic data[J]. IEEE Journal of Oceanic Engineering，2005，30: 487-495．

[7]蘇騰飛，張杰，張晰. 基于HAC的溢油SAR圖像分割算法[J]. 海洋科學進展，2013，31(2): 256-265．

Su Tengfei，Zhang Jie，Zhang Xi. A segmentation algorithm for oil spill SAR image based on hierarchical agglomerative clustering[J]. Advances in Marine Science，2013，31(2): 256-265．

[8]Liu P，Zhao C，Li X，et al. Identification of ocean oil spills in SAR imagery based on fuzzy logic algorithm[J]. International Journal of Remote Sensing，2010，31(17/18): 4819-4833．

[9]Migliaccio M，Tranfaglia M，Ermolov S. A physical approach for the observation of oil spills in SAR images[J]. IEEE Journal of Oceanic Engineering，2005，30(3): 496-507．

[10]孫健，胥亞，陳方璽，等. 基于合成孔徑雷達回波信號的海洋溢油監測方法研究[J]. 海洋學報，2014，36(9): 97-105．

Sun Jian，Xu Ya，Chen Fangxi，et al. Research on offshore petroleum oil spilling detection using SAR echo signal[J]. Haiyang Xuebao，2014，36(9): 97-105．

[11]梁小祎，張杰，孟俊敏. 溢油SAR圖像分類中的紋理特征選擇[J]. 海洋科學進展，2007，25(3): 346-356．

Liang Xiaowei，Zhang Jie，Meng Junmin. Selection of texture characteristics in classifying oil spill SAR images[J]. Advances in Marine Science，2007，25(3): 346-356．

[12]Chang L，Tang Z，Chang S，et al. A region-based GLRT detection of oil spills in SAR images[J]. Pattern Recognition Letters，2008，29(14): 1915-1923．

[13]周慧，陳澎. 利用Mahalanobis距離的SAR圖像溢油識別[J]. 計算機工程與應用，2011，47(18): 195-203．

Zhou Hui，Chen Peng. Oil spill identification in SAR image using mahalobis distance[J]. Computer Engineering and Applications，2011，47(18): 195-203．

[14]曲海超，薄華，張偉偉. 基于紋理特征和SVM的SAR圖像溢油檢測方法[J]. 信息技術，2010，19(11): 90-93．

Qu Haichao，Bo Hua，Zhang Weiwei. SAR image oil spill detection based on texture feature and support vector machine[J]. Information Technology，2010，19(11): 90-93．

[15]魏錸，胡卓瑋. 基于合成孔徑雷達影像的海洋溢油紋理特征參數分析[J]. 海洋學報，2013，35(1): 94-103．

Wei Lai，Hu Zhuowei. Parameter analysis of texture feature in oil spill detection based on SAR[J]. Haiyang Xuebao，2013，35(1): 94-103．

附錄：本文FL分類器的規則

規則IFTHEN1μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=LowProboil=HigpμO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=Mid3μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=HigpμO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Low5μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Mid6μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=High7μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Low8μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Mid9μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=High10μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Low11μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Mid12μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=High13μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Low14μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Mid15μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=High16μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Low17μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Mid18μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=High19μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=LowProboil=Mid20μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Mid21μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Higp2μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Low23μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Mid24μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Higp5μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Low26μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Mid27μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Higp8μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Low29μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Mid30μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=High11μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Low32μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Mid33μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=High14μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Low35μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Mid36μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=High17μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=LowProboil=Low38μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=Mid

續表

收稿日期：2015-01-06；

修訂日期：2015-04-27。

基金項目：國家自然科學基金(60890075)。

作者簡介：蘇騰飛(1987—)，男，內蒙古自治區呼和浩特市人，主要從事遙感數據分析算法的研究。E-mail：zzjbaaa@163.com *通信作者：李永香(1975—)，女，講師，內蒙古自治區四子王旗人，主要從事遙感與地理信息系統的應用研究。E-mail:lyx1975imnu@163.com

中圖分類號:TP753

文獻標志碼：A

文章編號：0253-4193(2016)01-0069-13

Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic

Su Tengfei1，2，Li Yongxiang3,Li Hongyu1

(1.InnerMongolianAgriculturalUniversity，CollegeofWaterConservancyandCivilEngineering，Hohhot010018，China; 2.TheFirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China; 3.CollegeofGeographicalScience,InnerMongoliaNormalUniversity,Hohhot010022,China)

Abstract:Synthetic aperture radar (SAR)，a sensor with all weather and day and night working capacity，has been widely considered as a powerful tool for sea surface oil spill detection. However，lookalikes frequently appear in SAR images，limiting the performance of SAR to detect oil spilled at sea. Thus it is important to study how to effectively differentiate oil spill from lookalike. By using Object-based Image Analysis (OBIA)，a number of oil spill and lookalike samples are extracted from 20 scenes of ENVISAT ASAR images. The object-based geometric，physical and textural features of the samples are analyzed with the objective of determining the best feature variables for oil spill and lookalike separation. The conclusions derived from feature analysis are utilized for the construction of an FL-based oil spill classifier. The proposed method can effectively single out oil spill from lookalike，giving the crisp probability of a dark segment being oil spill at the same time. Oil spill detection experiment indicates that our method can produce satisfactory result．

Key words:SAR; feature analysis; oil spill classification; OBIA; fuzzy logic

蘇騰飛，李永香，李洪玉. 基于面向對象和模糊邏輯的SAR溢油檢測算法[J]. 海洋學報，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007

Su Tengfei，Li Yongxiang,Li Hongyu. Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic[J]. Haiyang Xuebao，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007